estaturas <- c(150, 160, 170, 180)
pesos <- c(63, 70, 85, 95)
datos_matriz <- cbind(estaturas, pesos)
datos_matriz estaturas pesos
[1,] 150 63
[2,] 160 70
[3,] 170 85
[4,] 180 95
Cuadernos prácticos del Máster de Bioinformática (curso 2024-2025)
Cuando analizamos datos solemos tener varias variables de cada individuo: necesitamos una «tabla» que las recopile.
La opción más inmediata son las matrices: concatenación de variables del mismo tipo e igual longitud.
Imagina que tenemos estaturas y pesos de 4 personas. ¿Cómo crear un dataset con las dos variables?
La opción más habitual es usando cbind(): concatenamos (bind) vectores en forma de columnas (c)
estaturas <- c(150, 160, 170, 180)
pesos <- c(63, 70, 85, 95)
datos_matriz <- cbind(estaturas, pesos)
datos_matriz estaturas pesos
[1,] 150 63
[2,] 160 70
[3,] 170 85
[4,] 180 95
También podemos construir la matriz por filas con la función rbind() (concatenar - bind - por filas - rows), aunque lo recomendable es tener cada variable en columna e individuo en fila como luego veremos.
rbind(estaturas, pesos) # Construimos la matriz por filas [,1] [,2] [,3] [,4]
estaturas 150 160 170 180
pesos 63 70 85 95
Podemos «visualizar» la matriz con View(matriz).
Podemos comprobar las dimensiones con dim(), nrow() y ncol(): las matrices son un tipo de datos tabulados (organizados en filas y columnas)
dim(datos_matriz)[1] 4 2
nrow(datos_matriz)[1] 4
ncol(datos_matriz)[1] 2
También podemos «darle vuelta» (matriz transpuesta) con t().
t(datos_matriz) [,1] [,2] [,3] [,4]
estaturas 150 160 170 180
pesos 63 70 85 95
Dado que ahora tenemos dos dimensiones en nuestros datos, para acceder a elementos con [] deberemos proporcionar dos índices separados por comas: índice de la fila y de la columna
datos_matriz[2, 1] # segunda fila, primera columnaestaturas
160
datos_matriz[1, 2] # primera fila, segunda columna pesos
63
En algunas casos querremos obtener los datos totales de un individuo (una fila concreta pero todas las columnas) o los valores de toda una variable para todos los individuos (una columna concreta pero todas las filas). Para ello dejaremos sin rellenar uno de los índices
datos_matriz[2, ] # segundo individuoestaturas pesos
160 70
datos_matriz[, 1] # primera variable[1] 150 160 170 180
Mucho de lo aprendido con vectores podemos hacerlo con matrices, así podemos por ejemplo acceder a varias filas y/o columnas haciendo uso de las secuencias de enteros 1:n
datos_matriz[c(1, 3), 1] # primera variable para el primer y tercer individuo[1] 150 170
También podemos definir una matriz a partir de un vector numérico, reorganizando los valores en forma de matriz (sabiendo que los elementos se van colocando por columnas).
z <- matrix(1:9, ncol = 3)
z [,1] [,2] [,3]
[1,] 1 4 7
[2,] 2 5 8
[3,] 3 6 9
Incluso podemos definir una matriz de valores constantes, por ejemplo de ceros (para luego rellenar)
matrix(0, nrow = 2, ncol = 3) [,1] [,2] [,3]
[1,] 0 0 0
[2,] 0 0 0
Con las matrices sucede como con los vectores: cuando aplicamos una operación aritmética lo hacemos elemento a elemento
z/5 [,1] [,2] [,3]
[1,] 0.2 0.8 1.4
[2,] 0.4 1.0 1.6
[3,] 0.6 1.2 1.8
Para realizar operaciones en un sentido matricial deberemos añadir %%, por ejemplo, para multiplicar matrices será %*%
z * t(z) [,1] [,2] [,3]
[1,] 1 8 21
[2,] 8 25 48
[3,] 21 48 81
z %*% t(z) [,1] [,2] [,3]
[1,] 66 78 90
[2,] 78 93 108
[3,] 90 108 126
También podemos realizar operaciones por columnas/filas sin recurrir a bucles con la función apply(), y le indicaremos como argumentos
MARGIN = 1 por filas, MARGIN = 2 por columnas)Por ejemplo, para aplicar una media a cada variable, será mean aplicada con MARGIN = 2 (misma función para cada columna)
# Media (mean) por columnas (MARGIN = 2)
apply(datos_matriz, MARGIN = 2, FUN = "mean")estaturas pesos
165.00 78.25
Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 Modifica el código inferior para definir una matriz x de unos, de 3 filas y 7 columnas.
x <- matrix(0, nrow = 2, ncol = 3)
xx <- matrix(1, nrow = 3, ncol = 7)
x📝 A la matriz anterior, suma un 1 a cada número de la matriz y divide el resultado entre 5. Tras ello calcula su transpuesta
new_matrix <- (x + 1)/5
t(new_matrix)📝 ¿Por qué el código inferior nos devuelve dicho mensaje de aviso?
matrix(1:15, nrow = 4)Warning in matrix(1:15, nrow = 4): data length [15] is not a sub-multiple or
multiple of the number of rows [4]
[,1] [,2] [,3] [,4]
[1,] 1 5 9 13
[2,] 2 6 10 14
[3,] 3 7 11 15
[4,] 4 8 12 1
📝 Define la matriz x <- matrix(1:12, nrow = 4). Tras ello obtén los datos del primer individuo, los datos de la tercera variable, y el elemento (4, 1).
x <- matrix(1:12, nrow = 4)
x[1, ] # primera fila
x[, 3] # tercera columna
x[4, 1] # elemento (4, 1)📝 Define una matriz de 2 variables y 3 individuos tal que cada variable capture la estatura y la edad 3 personas, de manera que la edad de la segunda persona sea desconocida (ausente). Tras ello calcula la media de cada variable (¡nos debe de volver un número!)
datos <- cbind("edad" = c(20, NA, 25), "estatura" = c(160, 165, 170))
apply(datos, MARGIN = 2, FUN = "mean", na.rm = TRUE) # media por columnas📝 ¿Por qué devuelve error el código inferior? ¿Qué está mal?
matriz <- cbind("edad" = c(15, 20, 25), "nombres" = c("javi", "sandra", "carlos"))
matriz edad nombres
[1,] "15" "javi"
[2,] "20" "sandra"
[3,] "25" "carlos"
matriz + 1Error in matriz + 1: non-numeric argument to binary operator
Las matrices tienen el mismo problema que los vectores: si juntamos datos de distinto tipo, se perturba la integridad del dato ya que los convierte (fíjate en el código inferior: las edades y los TRUE/FALSE los ha convertido a texto)
edades <- c(14, 24, NA)
soltero <- c(TRUE, NA, FALSE)
nombres <- c("javi", "laura", "lucía")
matriz <- cbind(edades, soltero, nombres)
matriz edades soltero nombres
[1,] "14" "TRUE" "javi"
[2,] "24" NA "laura"
[3,] NA "FALSE" "lucía"
De hecho al no ser números ya no podemos realizar operaciones aritméticas
matriz + 1Error in matriz + 1: non-numeric argument to binary operator
Para poder trabajar con variables de distinto tipo tenemos en R lo que se conoce como data.frame: concatenación de variables de igual longitud pero que pueden ser de tipo distinto.
tabla <- data.frame(edades, soltero, nombres)
class(tabla)[1] "data.frame"
tabla edades soltero nombres
1 14 TRUE javi
2 24 NA laura
3 NA FALSE lucía
Dado que un data.frame es ya un intento de «base de datos» las variables no son meros vectores matemáticos: tienen un significado y podemos (debemos) ponerles nombres que describan su significado
library(lubridate)
Attaching package: 'lubridate'
The following objects are masked from 'package:base':
date, intersect, setdiff, union
tabla <-
data.frame("edad" = edades, "estado" = soltero, "nombre" = nombres,
"f_nacimiento" = as_date(c("1989-09-10", "1992-04-01", "1980-11-27")))
tabla edad estado nombre f_nacimiento
1 14 TRUE javi 1989-09-10
2 24 NA laura 1992-04-01
3 NA FALSE lucía 1980-11-27
¡TENEMOS NUESTRO PRIMER CONJUNTO DE DATOS! (estrictamente no podemos hablar de base de datos pero de momento como lo si fuesen). Puedes visualizarlo escribiendo su nombre en consola o con View(tabla)
Si queremos acceder a sus elementos, al ser de nuevo datos tabulados, podemos acceder como en las matrices (no recomendable): de nuevo tenemos dos índices (filas y columnas, dejando libre la que no usemos)
tabla[2, ] # segunda fila (todas sus variables) edad estado nombre f_nacimiento
2 24 NA laura 1992-04-01
tabla[, 3] # tercera columna (de todos los individuos)[1] "javi" "laura" "lucía"
tabla[2, 1] # primera característica de la segunda persona[1] 24
Pero también tiene las ventajas de una «base» de datos : podemos aceder a las variables por su nombre (lo recomendable ya que las variables pueden cambiar de posición y ahora sí tienen un significado), poniendo el nombre de la tabla seguido del símbolo $ (con el tabulador, nos aparecerá un menú de columnas a elegir)
names(): nos muestra los nombres de las variablesnames(tabla)[1] "edad" "estado" "nombre" "f_nacimiento"
dim(): nos muestra las dimensiones (también nrow() y ncol())dim(tabla)[1] 3 4
tabla[c(1, 3), "nombre"][1] "javi" "lucía"
tabla$nombre[c(1, 3)][1] "javi" "lucía"
Si tenemos uno ya creado y queremos añadir una columna es tan simple como usar la función data.frame() que ya hemos visto para concatenar la columna. Vamos añadir por ejemplo una nueva variable, el número de hermanos de cada individuo.
# Añadimos una nueva columna con nº de hermanos/as
hermanos <- c(0, 2, 3)
tabla <- data.frame(tabla, "n_hermanos" = hermanos)
tabla edad estado nombre f_nacimiento n_hermanos
1 14 TRUE javi 1989-09-10 0
2 24 NA laura 1992-04-01 2
3 NA FALSE lucía 1980-11-27 3
Las tablas en formato data.frame tienen algunas limitaciones. La principal es que no permite la recursividad: imagina que definimos una base de datos con estaturas y pesos, y queremos una tercera variable con el IMC
data.frame("estatura" = c(1.7, 1.8, 1.6), "peso" = c(80, 75, 70),
"IMC" = peso / (estatura^2))Error in data.frame(estatura = c(1.7, 1.8, 1.6), peso = c(80, 75, 70), : object 'peso' not found
En adelante usaremos el formato tibble (data.frame mejorado) del paquete {tibble}
library(tibble)
datos_tb <-
tibble("estatura" = c(1.7, 1.8, 1.6), "peso" = c(80, 75, 70), "IMC" = peso / (estatura^2))
class(datos_tb)[1] "tbl_df" "tbl" "data.frame"
datos_tb# A tibble: 3 × 3
estatura peso IMC
<dbl> <dbl> <dbl>
1 1.7 80 27.7
2 1.8 75 23.1
3 1.6 70 27.3
datos_tb <-
tibble("estatura" = c(1.7, 1.8, 1.6), "peso" = c(80, 75, 70), "IMC" = peso / (estatura^2))
datos_tb# A tibble: 3 × 3
estatura peso IMC
<dbl> <dbl> <dbl>
1 1.7 80 27.7
2 1.8 75 23.1
3 1.6 70 27.3
Las tablas en formato tibble nos permitirá una gestión más ágil, eficiente y coherente de los datos, con 4 ventajas principales:
Metainformación: si te fijas en la cabecera, nos dice ya automáticamente el número de filas y columnas, y el tipo de cada variable
Recursividad: permite definir las variables secuencialmente (como hemos visto)
Consistencia: si accedes a una columna que no existe avisa con un warning
datos_tb$inventWarning: Unknown or uninitialised column: `invent`.
NULL
tribble()tribble(~colA, ~colB,
"a", 1,
"b", 2)# A tibble: 2 × 2
colA colB
<chr> <dbl>
1 a 1
2 b 2
El paquete {datapasta} nos permite copiar y pegar tablas de páginas web y documentos sencillos
Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 Carga del paquete {datasets} el conjunto de datos airquality (variables de la calidad del aire de Nueva York desde mayo hasta septiembre de 1973). ¿Es el conjunto de datos airquality de tipo tibble? En caso negativo, conviértelo a tibble (busca en la documentación del paquete en https://tibble.tidyverse.org/index.html).
library(tibble)
class(datasets::airquality)
airquality_tb <- as_tibble(datasets::airquality)📝 Una vez convertido a tibble obtén el nombre de las variables y las dimensiones del conjunto de datos. ¿Cuántas variables hay? ¿Cuántos días se han medido?
names(airquality_tb)
ncol(airquality_tb)
nrow(airquality_tb)📝 Filtra solo los datos de la quinta observación
airquality_tb[5, ]📝 Filtra solo los datos del mes de agosto. ¿Cómo indicarle que queremos solo las filas que cumplan una condición concreta? (pista: en realidad todo son vectores “formateados”)
airquality_tb[airquality_tb$Month == 8, ]📝 Selecciona aquellos datos que no sean ni de julio ni de agosto.
airquality_tb[airquality_tb$Month != 7 & airquality_tb$Month != 8, ]
airquality_tb[!(airquality_tb$Month %in% c(7, 8)), ]📝 Modifica el siguiente código para quedarte solo con las variable de ozono y temperatura (sin importar qué posición ocupen)
airquality_tb[, 3]📝 Selecciona los datos de temperatura y viento de agosto.
airquality_tb[airquality_tb$Month == 8, c("Temp", "Wind")]📝 Traduce a castellano el nombre de las variables.
names(airquality_tb) <- c("ozono", "rad_solar", "viento", "temp", "mes", "dia") Del paquete {Biostatistics} usaremos el conunto de datos pinniped, que guarda los datos de peso de cuerpo y cerebro (desagregado por sexo y mono/poligamia) de 33 especies de mamíferos marinos.
Biostatistics::pinniped Species Male_brain_g Female_brain_g Male_mass_Kg
1 Monachus schauinslandi 370.0 NA 173.0
2 Monachus monachus 480.0 480.0 260.0
3 Mirounga angustirostris 700.0 640.0 2275.0
4 Mirounga leonina 1431.3 898.8 3510.0
5 Leptonychotes weddelli 535.0 637.5 450.0
6 Ommatophoca rossi 425.0 530.0 153.8
7 Lobodon carcinophagus 578.2 538.8 220.5
8 Hydrurga leptonyx 765.0 660.0 324.0
9 Cystophora cristata 480.0 430.0 343.2
10 Erignathus barbatus NA 460.0 312.5
11 Halichoerus grypus 342.5 272.5 233.0
12 Phoca groenlandica 297.5 252.5 145.0
13 Phoca fasciata 257.5 240.0 94.8
14 Phoca largha 257.5 250.0 97.0
15 Phoca caspica 165.0 160.0 70.5
16 Phoca sibirica 185.0 190.0 89.5
17 Phoca hispida 229.3 220.0 84.0
18 Phoca vitulina 362.3 265.0 97.1
19 Zalophus californianus 405.0 361.5 244.5
20 Eumetopias jubatus 747.5 575.0 1000.0
21 Otaria byronia 546.3 470.0 300.0
22 Neophoca cinerea 440.0 337.5 300.0
23 Phocarctos hookeri 417.5 370.0 364.0
24 Callorhinus ursinus 355.0 302.5 140.0
25 Arctocephalus townsendi NA NA 112.0
26 Arctocephalus philippii 415.0 NA 140.0
27 Arctocephalus galapagoensis 302.5 280.0 64.5
28 Arctocephalus australis 350.0 265.0 91.0
29 Arctocephalus forsteri 340.0 300.0 125.0
30 Arctocephalus gazella 360.0 320.0 155.0
31 Arctocephalus tropicalis 322.5 330.0 152.5
32 Arctocephalus pusillus 401.3 337.5 263.0
33 Odobenus rosmarus 1303.0 1340.5 1233.0
Female_mass_Kg Mate_type
1 272.2 mono
2 275.0 mono
3 488.0 poly
4 565.7 poly
5 447.0 poly
6 164.0 mono
7 224.0 mono
8 367.0 mono
9 222.5 mono
10 326.0 mono
11 205.8 poly
12 139.0 mono
13 80.4 mono
14 71.3 mono
15 55.0 mono
16 85.0 mono
17 81.2 mono
18 85.2 mono
19 81.0 poly
20 287.5 poly
21 144.0 poly
22 78.6 poly
23 114.7 poly
24 33.3 poly
25 49.6 poly
26 48.1 poly
27 27.4 poly
28 48.5 poly
29 38.1 poly
30 45.0 poly
31 50.0 poly
32 64.1 poly
33 811.5 poly
Comprueba si los datos están en formato tibble. En caso negativo conviértelo.
# chequeamos si es tibble
library(tibble)
is_tibble(Biostatistics::pinniped)
# Convertimos a tibble
pinniped_tb <- as_tibble(Biostatistics::pinniped)¿Cuántos registros hay? ¿Cuántas variables? ¿De qué tipo es cada una? ¿Cuáles son sus nombres?
nrow(pinniped_tb)
ncol(pinniped_tb)
names(pinniped_tb)Incorpora una variable nueva llamada
phocaque sea de tipo lógico y que nos diga si una especie es de la categoríaPhocao no.
# tienes más funcionalidades con textos del paquete stringr
# arriba en el workbook
pinniped_tb$phoca <- str_detect(pinniped_tb$Species == "Phoca")¿A qué sexo le pesa más el cerebro: a las hembras o a los machos?
# ¿a quién le pesa más el cerebro?
mean(pinniped_tb$Male_brain_g, na.rm = TRUE) >
mean(pinniped_tb$Female_brain_g, na.rm = TRUE)¿A quienes les pesa más el cuerpo a los monógamos o a los polígamos? Recuerda que tienes los pesos divididos por sexos en variables distintas que tendrás que juntar de alguna forma
# ¿a quién le pesa más el cerebro?
mean(c(pinniped_tb$Male_mass_Kg[pinniped_tb$Mate_type == "mono"],
pinniped_tb$Female_mass_Kg[pinniped_tb$Mate_type == "mono"])) >
mean(c(pinniped_tb$Male_mass_Kg[pinniped_tb$Mate_type == "poly"],
pinniped_tb$Female_mass_Kg[pinniped_tb$Mate_type == "poly"]))Incopora una nueva variable llamada
dif_m_fque represente la diferencia entre el peso del cerebro entre machos y hembras (machos - hembras) para cada especie.
pinniped_tb$dif_m_f <- pinniped_tb$Male_brain_g - pinniped_tb$Female_brain_g
pinniped_tbInstala el paquete
{taylor}EN LA CONSOLA y tras ello cárgalo
# SIEMPRE EN CONSOLA
# install.packages("taylor")
library(taylor)En dicho paquete tenemos el dataset
taylor_album_songscon las características de las canciones de álbum de Taylor Swift (se excluyen canciones fuera de álbumes y solo se consideran las canciones de su propiedad). Haz que aparezca el dataset en el documento.
taylor_album_songs¿Cuántas canciones hay guardadas? ¿Cuántas características (variables) hay guardadas de cada una?
ncol(taylor_album_songs)
nrow(taylor_album_songs)Obtén el nombre de los álbumes (únicos) que hay contenidos en el dataset. ¿Cuántos hay?
unique(taylor_album_songs$album_name)
length(unique(taylor_album_songs$album_name))¿En cuántas canciones hay una colaboración con otro artista? Si hay colaboración, su nombre viene guardado en
featuring
# Si nos preguntan por canciones (es decir, registros en este caso) bastaría con
# saber hay colaboraciones donde no hay NA, así que me basta con contar los NA
sum(!is.na(taylor_album_songs$featuring))
# Si me preguntasen por aristas únicos (sin contar repetidos) sería
# quitar antes los NA (para que no los cuente como un artista más)
# y eliminar colaboradores repetidos
length(unique(taylor_album_songs$featuring[!is.na(taylor_album_songs$featuring)]))Crea un nuevo
tibblesolo con las variablesalbum_name,album_release,track_name,featuringyduration_ms. Tras ello ordena por fecha de más reciente a más antigua
nuevo_tb <-
taylor_album_songs[, c("album_name", "album_release", "track_name",
"featuring", "duration_ms")]
nuevo_tb[order(nuevo_tb$album_release, decreasing = TRUE), ]Añade al anterior dataset dos nuevas variables con el mes y año de lanzamiento (usa la variable
album_release). ¿En qué mes ha lanzado más álbumes?
library(lubridate)
nuevo_tb$mes <- month(nuevo_tb$album_release)
nuevo_tb$year <- year(nuevo_tb$album_release)
# opción corta
table(nuevo_tb$mes)
# opción larga
sum(nuevo_tb$mes == 1)
sum(nuevo_tb$mes == 2)
sum(nuevo_tb$mes == 3)
# ....
sum(nuevo_tb$mes == 12)Obtén la media de duración de las canciones en minutos (variable
duration_msestá en milisegundos). Extrae todos los datos de la canción que más dura (toda su fila).
# Pasamos los milisegundos a minutos y luego la media excluyendo NA
mean(nuevo_tb$duration_ms / 60000, na.rm = TRUE)
# primero quitamos las que tiene duración ausente
nuevo_tb <- nuevo_tb[!is.na(nuevo_tb$duration_ms), ]
# Para obtener los datos de la canción que más dura tenemos 3 opciones:
# 1. extrayendo aquella canción cuya duración coincida con el máximo
nuevo_tb[nuevo_tb$duration_ms == max(nuevo_tb$duration_ms), ]
# 2. ordenando de más duración a menos y quedándonos con la primera fila
nuevo_tb[order(nuevo_tb$duration_ms, decreasing = TRUE), ][1, ]
# 3. con `which.max()` (en lugar de devolver el máximo nos devuelve la posición donde está)
nuevo_tb[which.max(nuevo_tb$duration_ms), ]Para practicar textos y tibbles vamos a usar el dataset salto_longitud.csv que tienes guardado en la carpeta de datos, que guarda cómo ha progresado el récord de salto de longitud masculino. Dicha tabla ha sido extraída directamente de la wikipedia https://en.wikipedia.org/wiki/Men%27s_long_jump_world_record_progression#Low_altitude_record_progression_1965%E2%80%931991
load(file = "./datos/salto_longitud.RData")Aunque no forma parte del curso, puedes ver debajo si quieres el código que se ha usado para extraer la tabla directamente de la wikipedia
library(rvest)
library(tidyverse)
wiki_jump <- 'https://en.wikipedia.org/wiki/Men%27s_long_jump_world_record_progression'
long_jump <- read_html(wiki_jump)
salto_longitud <- html_table(html_node(long_jump, 'table'))¿Cuántos registros hay? ¿Cuántas variables? ¿De qué tipo es cada una? ¿Cuáles son sus nombres? ¿Qué crees que significan?
nrow(salto_longitud)
ncol(salto_longitud)
names(salto_longitud)
# tenemos 19 récords y 5 variables: la marca (en metros, pies y pulgadas), el viento que hacía, la persona que batió el record, el lugar y la fecha.Crea una nueva variable llamada
Mark(sustituye a la anterior) en la que hayas extraído la marca en metros (y convertida a número). Práctica antes con un valor de juguete, por ejemplo, si tuviésemos `x <- “7.61 m (24 ft 11+1/2 in)”, ¿cómo podríamos quedarnos solo con la marca en metros?
# Sabemos que el patrón es 1 número, un ., y dos decimales, así que
# usamos str_extract para extraer ese patrón que le indicamos
# con una expresión regular.
salto_longitud$Mark <-
str_extract(salto_longitud$Mark, pattern = "[0-9][.][0-9]{2}")
# Tras ello convertimos a número
salto_longitud$Mark <- as.numeric(salto_longitud$Mark)
# importante: ahora en la cabecera debajo de mark pone <dbl>, es un número
salto_longitud Crea una nueva variable llamada
Wind(sustituye la original) en la que tengas el viento convertido a número.
salto_longitud$Wind <- as.numeric(salto_longitud$Wind)
salto_longitud¿En cuántos récords no había viento? ¿En cuántos no tenemos registros de dicha medida?
# Con viento 0
sum(salto_longitud$Wind == 0, na.rm = TRUE)
# Sin registros
sum(is.na(salto_longitud$Wind))
# importante: ausente y 0 no es lo mismoCrea una nueva variable llamada
countryque extraiga las siglas de los países de la variableAthlete
# Primero extraemos con los paréntesis (es más fácil detectarlo)
salto_longitud$country <-
str_extract(salto_longitud$Athlete, pattern = "[(][A-Z]{3}[)]")
# Luego los eliminamos los ( y los ) (de ahí la barra vertical en medio)
# Fíjate que para que entienda que es un caracter especial (paréntesis)
# se lo pasamos como \\( y como \\). Ppasaría lo mismo si queremos detectar,
# por ejemplo, un punto, con \\.
salto_longitud$country <- str_remove_all(salto_longitud$country, "\\(|\\)")Ordena la tabla por orden alfabético de las siglas
salto_longitud <- salto_longitud[order(salto_longitud$country), ]Reemplaza la variable
Datepor la fecha correcta en formato fecha
# primero eliminamos todos los [?]
salto_longitud$Date <-
str_remove_all(salto_longitud$Date, pattern = "\\[[0-9]{1}\\]")
# luego atendemos el caso particualr de [note 1]
salto_longitud$Date <-
str_remove_all(salto_longitud$Date, pattern = "\\[note 1\\]")
# tras depurar convertimos a fecha
salto_longitud$Date <- dmy(salto_longitud$Date)
salto_longitud¿Cuántos récords no son de Estados Unidos? ¿Qué porcentaje representa respecto al total?
# total absoluto
sum(salto_longitud$country != "USA")
# porcentaje relativo
100*sum(salto_longitud$country != "USA") / length(salto_longitud$country)Para cada récord, calcula los metros de mejora respecto al anterior, y guárdalo en la base de datos. Pista: prueba bien la función
diff()y chequea la longitud de lo que te devuelve.
# Usamos la función diff que, dado un vector, calcula las diferencias
# fíjate que el primero no conocemos la mejora (ya que no hay registro previo)
salto_longitud$mejora <- c(NA, diff(salto_longitud$Mark))